Le modèle AgentForce Custom Client fournit une base de code utilisant JavaScript/TypeScript et les API Salesforce pour s'authentifier auprès d'une organisation Salesforce, gérer les sessions de chat AgentForce, envoyer et recevoir des messages, et personnaliser les composants de l'interface utilisateur. Il met en avant la souscription aux événements, l'intégration de logique métier personnalisée, et le style via Lightning Web Components. Les développeurs peuvent utiliser ce modèle pour créer des agents conversationnels IA, ajuster les flux de messages, intégrer des systèmes externes et étendre le cadre pour répondre aux flux de travail et aux exigences de branding spécifiques à leur organisation.

Saga offre une architecture flexible pour créer des agents AI qui planifient et exécutent des flux de travail multi-étapes. Les composants principaux incluent un module de planification qui décompose les objectifs en actions, un stockage de mémoire pour le contexte conversationnel et des tâches, et un registre d'outils pour intégrer des services ou scripts externes. Les agents s'exécutent de manière asynchrone, gèrent l'état entre les sessions et prennent en charge le développement d'outils personnalisés. Saga permet un prototypage rapide d'assistants autonomes, automatisant des tâches telles que la collecte de données, les alertes et les questions-réponses interactives dans votre environnement Python.

Taiat (TypeScript AI Agent Toolkit) est un cadre léger et extensible pour construire des agents IA autonomes dans les environnements Node.js et navigateur. Il permet aux développeurs de définir des comportements d'agents, d'intégrer des API de grands modèles de langage comme OpenAI et Hugging Face, et d'orchestrer des flux de travail d'exécution d'outils multi-étapes. Le framework supporte des backend mémoire personnalisables pour des conversations à état, l'enregistrement d'outils pour recherches web, opérations de fichiers et appels API externes, ainsi que des stratégies de décision modulables. Avec Taiat, vous pouvez rapidement prototyper des agents qui planifient, raisonnent et exécutent des tâches de manière autonome, allant de la récupération de données et la synthèse jusqu'à la génération automatique de code et assistants conversationnels.

Tiny-OAI-MCP-Agent fournit une architecture d'agent extensible et compacte basée sur l'API OpenAI. Il implémente une boucle de processus multi-cognitif (MCP) pour le raisonnement, la mémoire et l'utilisation d'outils. Vous définissez des outils (API, opérations sur fichiers, exécution de code), et l'agent planifie les tâches, rappelle le contexte, invoque les outils, et itère sur les résultats. Cette base de code minimaliste permet aux développeurs d'expérimenter avec des workflows autonomes, des heuristiques personnalisées et des modèles de prompt avancés tout en gérant automatiquement les appels API, la gestion d'état et la récupération d'erreurs.

Ce dépôt regroupe une collection complète de composants de systèmes multi-agent et de techniques de coordination IA distribuée. Il offre des implémentations d'algorithmes de consensus, de protocoles de négociation Contract-Net, d'attribution de tâches basée sur des enchères, de stratégies de formation de coalitions et de cadres de communication inter-agent. Les utilisateurs peuvent exploiter des environnements de simulation intégrés pour modéliser et tester le comportement des agents sous diverses topologies de réseau, scénarios de latence et modes de défaillance. La conception modulaire permet aux développeurs et chercheurs d'intégrer, d'étendre ou de personnaliser des modules de coordination individuels pour des applications dans les essaims de robotique, la collaboration entre dispositifs IoT, les réseaux électriques intelligents et la prise de décision distribuée.

Avalon-LLM est un cadre d'IA multi-agent basé sur Python qui permet aux utilisateurs d'orchestrer plusieurs agents pilotés par LLM dans un environnement coordonné. Chaque agent peut être configuré avec des outils spécifiques — y compris la recherche web, les opérations sur fichiers et les API personnalisés — pour réaliser des tâches spécialisées. Le cadre supporte des modules de mémoire pour stocker le contexte des conversations et les connaissances à long terme, un raisonnement en chaîne pour améliorer la prise de décision, et des pipelines d’évaluation intégrés pour benchmarker la performance des agents. Avalon-LLM offre un système de plugins modulaire, permettant aux développeurs d’ajouter ou de remplacer facilement des composants comme les fournisseurs de modèles, les kits d’outils et les magasins de mémoire. Avec des fichiers de configuration simples et des interfaces en ligne de commande, les utilisateurs peuvent déployer, surveiller et étendre des flux de travail d’IA autonomes adaptés pour la recherche, le développement et la production.

Cognify permet aux utilisateurs de définir leurs objectifs en science des données et de laisser les agents IA gérer la partie difficile. Les agents peuvent écrire et déboguer du code, se connecter à des bases de données pour obtenir des insights, produire des visualisations interactives et même exporter des rapports. Grâce à une architecture de plugins, les utilisateurs peuvent étendre la fonctionnalité aux API personnalisées, aux systèmes de planification et aux services cloud. Cognify offre la reproductibilité, des fonctionnalités de collaboration et un journal de bord pour suivre les décisions et sorties des agents, le rendant adapté au prototypage rapide et aux flux de travail en production.

LinkAgent fournit un micronoyau léger pour construire des agents d'IA avec des composants plug-in. Les utilisateurs peuvent enregistrer des backends de modèles de langage, des modules de récupération et des API externes en tant qu'outils, puis les assembler en workflows utilisant des planificateurs et routeurs intégrés. LinkAgent supporte des gestionnaires de mémoire pour la persistance du contexte, l'invocation dynamique d'outils et une logique de décision configurable pour un raisonnement complexe à plusieurs étapes. Avec peu de code, les équipes peuvent automatiser des tâches telles que le QA, l'extraction de données, l'orchestration de processus et la génération de rapports.

Minerva est un framework d'agents IA extensible conçu pour automatiser des flux de travail complexes en utilisant de grands modèles de langage. Les développeurs peuvent intégrer des outils externes — tels que la recherche web, les API ou les processeurs de fichiers — définir des stratégies de planification personnalisées et gérer la mémoire conversationnelle ou persistante. Minerva supporte l'exécution synchrone et asynchrone de tâches, la journalisation configurable et une architecture de plugins, facilitant le prototypage, le test et le déploiement d'agents intelligents capables de raisonner, planifier et utiliser des outils dans des scénarios réels.

Multi-Agent-Seller fournit un environnement modulaire pour la simulation de négociations en e-commerce à l'aide d'agents IA. Il inclut des agents acheteurs et vendeurs pré-construits avec des stratégies de négociation personnalisables, telles que la tarification dynamique, les concessions basées sur le temps et la prise de décision utilitaire. Les utilisateurs peuvent définir des protocoles, formats de message et conditions de marché personnalisés. Le cadre gère la gestion de session, le suivi des offres et la journalisation des résultats avec des outils de visualisation intégrés pour analyser les interactions des agents. Il s'intègre facilement aux bibliothèques d'apprentissage automatique pour le développement de stratégies, permettant des expérimentations avec l'apprentissage par renforcement ou des agents basés sur des règles. Son architecture extensible permet d'ajouter de nouveaux types d'agents, règles de négociation et plugins de visualisation. Multi-Agent-Seller est idéal pour tester des algorithmes multi-agents, étudier les comportements de négociation et enseigner des concepts en IA et en commerce électronique.

La chouette fournit une boîte à outils axée sur le développement qui permet de créer des agents d'IA autonomes capables d'exécuter des tâches complexes à plusieurs étapes. Au cœur, elle exploite des grands modèles de langage (LLMs) pour le raisonnement, renforcés par un système de plugins pour appeler des API externes, exécuter du code et interroger des bases de données. Les développeurs définissent des agents à l'aide d'une API TypeScript simple, spécifient des ensembles d'outils et configurent des modules de mémoire pour conserver l'état entre les interactions. La runtime de la chouette orchestre les boucles de raisonnement, gère l'invocation d'outils et la concurrence. Elle supporte à la fois les environnements Node.js et Deno, assurant une large compatibilité multiplateforme. Avec une journalisation intégrée, la gestion des erreurs et des hooks d'extensibilité, la chouette simplifie le prototypage et le déploiement en production de flux de travail, chatbots et assistants automatisés alimentés par l'IA.

Rawr Agent est un cadre Python modulaire et open-source qui permet aux développeurs de construire des agents AI autonomes en orchestrant des flux de travail complexes d’interactions LLM. En utilisant LangChain en arrière-plan, Rawr Agent vous permet de définir des séquences de tâches via des configurations YAML ou du code Python, en intégrant des outils tels que les API web, les requêtes de bases de données et les scripts personnalisés. Il comprend des composants de mémoire pour stocker l’historique des conversations et les embeddings vectoriels, des mécanismes de mise en cache pour optimiser les appels répétés, ainsi que des journaux de bord et une gestion robuste des erreurs pour surveiller le comportement de l’agent. Son architecture extensible permet d’ajouter des outils et des connecteurs personnalisés, rendant l’outil adapté pour des tâches telles que la recherche automatisée, l’analyse de données, la génération de rapports et les chatbots interactifs. Avec sa API simple, les équipes peuvent rapidement prototyper et déployer des agents intelligents pour diverses applications.

SimplerLLM fournit aux développeurs une API minimaliste pour composer des chaînes LLM, définir des actions d'agents et orchestrer des appels d'outils. Avec des abstractions intégrées pour la conservation de mémoire, des modèles de prompt et l'analyse de sortie, les utilisateurs peuvent rapidement assembler des agents conversationnels qui maintiennent le contexte entre les interactions. Le framework s'intègre parfaitement avec OpenAI, Azure et HuggingFace, et supporte des outils modulables pour les recherches, les calculatrices et les APIs personnalisées. Son cœur léger minimise les dépendances, permettant un développement agile et un déploiement facile sur le cloud ou en edge. Que ce soit pour construire des chatbots, des assistants QA ou des automateurs de tâches, SimplerLLM simplifie les pipelines d'agents LLM de bout en bout.

SuperBot est un cadre complet d'agent AI permettant aux développeurs de déployer des assistants autonomes et sensibles au contexte via Python et la ligne de commande. Il intègre les modèles de chat d'OpenAI avec un système de mémoire, des fonctionnalités d'appel de fonctions et une architecture de plugins. Les agents peuvent exécuter des commandes shell, lancer du code, interagir avec des fichiers, effectuer des recherches sur le web et maintenir l'état de la conversation. SuperBot supporte l'orchestration multi-agent pour des workflows complexes, le tout configurable via des scripts Python simples et des commandes CLI. Son design extensible permet d'ajouter des outils personnalisés, d'automatiser des tâches et d'intégrer des API externes pour créer des applications robustes basées sur l'IA.

Team of AI Agents offre une architecture modulaire pour construire et déployer des systèmes multi-agents. Chaque agent opère avec des rôles distincts, utilisant une mémoire globale et des contextes locaux pour la conservation des connaissances. Le cadre supporte la messagerie asynchrone, l'utilisation d'outils via des adaptateurs et la réaffectation dynamique des tâches en fonction des résultats des agents. Les développeurs configurent les agents via des scripts Python ou YAML, permettant la spécialisation thématique, la hiérarchie des objectifs et la gestion des priorités. Il comprend des métriques intégrées pour l’évaluation des performances et le débogage, facilitant des itérations rapides. Grâce à une architecture de plugins extensible, les utilisateurs peuvent intégrer des modèles NLP personnalisés, des bases de données ou des API externes. Team of AI Agents accélère les workflows complexes en exploitant l'intelligence collective d'agents spécialisés, idéal pour la recherche, l'automatisation et la simulation.

Toolbox-macos transforme votre Mac en un centre d'agents IA en intégrant un ensemble d'outils polyvalents alimentés par l'IA dans une application native de la barre de menu. Elle exploite les modèles GPT d'OpenAI et d'autres API pour vous permettre de sélectionner du texte, de résumer du contenu, de traduire entre les langues, de générer du code, de créer des images personnalisées, de rechercher sur le web ou d'automatiser des flux de travail avec des scripts et des plugins personnalisés. Vous pouvez configurer des raccourcis clavier globaux, définir des macros et intégrer des services d'IA tiers pour personnaliser les réponses. En offrant des capacités IA instantanées dans toutes les applications sans changement de contexte, cela augmente la productivité, accélère les tâches créatives et centralise vos utilitaires IA préférés. Les utilisateurs peuvent invoquer des commandes via la palette de commandes macOS ou via des raccourcis clavier configurables, garantissant une intégration transparente avec les flux de travail d'édition, de navigation ou de développement de code. La architecture ouverte permet des extensions communautaires et prend en charge l'exécution de modèles IA locaux pour des tâches sensibles à la confidentialité.

Le SDK A2A est une boîte à outils pour les développeurs afin de construire, chaîner et gérer des agents IA en Python. Il fournit des API pour définir le comportement des agents via des invites ou du code, connecter les agents dans des pipelines ou workflows, et permettre la transmission de messages asynchrones. Les intégrations avec OpenAI, Llama, Redis et les services REST permettent aux agents de récupérer des données, d'appeler des fonctions et de stocker des états. Une interface utilisateur intégrée permet de surveiller l'activité des agents, tandis que la conception modulaire garantit la possibilité d'étendre ou de remplacer des composants pour répondre à des cas d'utilisation personnalisés.

Aegix fournit un SDK robuste pour orchestrer des agents IA capables de gérer des flux de travail complexes via un raisonnement multi-étapes. Avec le soutien de divers fournisseurs LLM, il permet aux développeurs d’intégrer des outils personnalisés — des connecteurs de bases de données aux web scrapers — et de maintenir l’état de la conversation avec des modules de mémoire tels que des stockages vectoriels. L’architecture flexible de boucle d’agents de Aegix permet de spécifier les phases de planification, d’exécution et de revue, permettant aux agents d’affiner leurs résultats de manière itérative. Que vous construisiez des bots de questions-réponses de documents, des assistants de code ou des agents de support automatisé, Aegix simplifie le développement grâce à des abstractions claires, des pipelines basés sur la configuration et des points d’extension faciles. Il est conçu pour évoluer du prototype à la production, garantissant performance fiable et bases de code maintenables pour les applications alimentées par IA.

AgentIn est un framework IA basé sur Python conçu pour accélérer le développement d'agents conversationnels et orientés tâche. Il offre des modules de mémoire intégrés pour persister le contexte, une intégration dynamique d'outils pour appeler des API externes ou des fonctions locales, et un système flexible de templates de prompts pour des interactions personnalisées. L'orchestration multi-agents permet des workflows en parallèle, tandis que la journalisation et le cache améliorent la fiabilité et la traçabilité. Facilement configurable via YAML ou code Python, AgentIn supporte les principaux fournisseurs LLM et peut être étendu avec des plugins personnalisés pour des capacités spécifiques au domaine.

Agents with ADK est un cadre Python open-source conçu pour simplifier la création d'agents intelligents alimentés par de grands modèles de langage. Il comprend des modèles d'agents modulaires, une gestion mémoire intégrée, des interfaces d'exécution d'outils et des capacités de coordination multi-agent. Les développeurs peuvent rapidement intégrer des fonctions personnalisées ou des API externes, configurer des chaînes de planification et de raisonnement, et surveiller les interactions des agents. Le cadre prend en charge l'intégration avec des fournisseurs LLM populaires et offre des fonctionnalités de journalisation, de logique de nouvelle tentative et d'extensibilité pour le déploiement en production.